PDD：面向医学异常检测的流形先验多样化蒸馏
计算机视觉与模式识别
2026-03-10 v1
摘要
医学图像异常检测面临独特挑战，因其在复杂解剖结构中嵌入细微且异质的异常。通过系统的 Grad-CAM 分析，我们揭示了判别性激活图在医学数据上的表现差于工业数据集，促使我们需要进行流层级建模。我们提出 PDD（Manifold-Prior Diverse Distillation），一个统一双教师先验于共享高维流形并将其蒸馏至双学生的框架，以实现互补行为。具体而言，冻结的 VMamba-Tiny 和宽 ResNet50 编码器分别提供全局语境和局部结构先验。其特征通过流形匹配与统一（MMU）模块统一，而中间表示则通过 Inter-Level Feature Adaption（InA）模块丰富。统一后的流形被蒸馈至两个学生：一个通过 InA 进行层级蒸馏以实现局部一致性，另一个通过流形先验仿射（MPA）模块接收跳过投影的表示，以捕获跨层依赖。多样性损失防止表示塌陷，同时保持检测灵敏度。大量实验表明，PDD 在多个医学数据集上显著优于现有最先进方法，在 HeadCT、BrainMRI 和 ZhangLab 数据集上分别实现 AUROC 提升最高达 11.8%、5.1% 和 8.5%，在 Uni-Medical 数据集上 F1 max 提升 3.4%，树立了医学图像异常检测的新 SOTA 水平。该实现将在 https://github.com/OxygenLu/PDD 公开。
引用
@article{arxiv.2603.07142,
title = {PDD: Manifold-Prior Diverse Distillation for Medical Anomaly Detection},
author = {Xijun Lu and Hongying Liu and Fanhua Shang and Yanming Hui and Liang Wan},
journal= {arXiv preprint arXiv:2603.07142},
year = {2026}
}
备注
Accepted by CVPR'2026